資料探勘應用於半導體雷射產業-以A公司為例

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：62

、訪客IP：18.222.119.148

姓名

巫姿蓉(Tzu-Jung Wu) 查詢紙本館藏

畢業系所

資訊管理學系在職專班

論文名稱

資料探勘應用於半導體雷射產業-以A公司為例

相關論文

★ 利用資料探勘技術建立商用複合機銷售預測模型	★ 應用資料探勘技術於資源配置預測之研究-以某電腦代工支援單位為例
★ 資料探勘技術應用於航空業航班延誤分析-以C公司為例	★ 全球供應鏈下新產品的安全控管-以C公司為例
★ 應用資料探勘技術於空運出口貨物存倉時間預測-以A公司為例	★ 使用資料探勘分類技術優化YouBike運補作業
★ 特徵屬性篩選對於不同資料類型之影響	★ 資料探勘應用於B2B網路型態之企業官網研究-以T公司為例
★ 衍生性金融商品之客戶投資分析與建議-整合分群與關聯法則技術	★ 應用卷積式神經網路建立肝臟超音波影像輔助判別模型
★ 基於卷積神經網路之身分識別系統	★ 能源管理系統電能補值方法誤差率比較分析
★ 企業員工情感分析與管理系統之研發	★ 資料淨化於類別不平衡問題: 機器學習觀點
★ 資料探勘技術應用於旅客自助報到之分析—以C航空公司為例	★ 應用機器學習建立單位健保欠費催繳後繳納預測模型

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

至系統瀏覽論文 ( 永不開放)

摘要(中)

良率的高低是半導體產業競爭力代表的指標之一，除了新產品推出時間是否能搶先競爭者外，產品的良率是否能夠穩定的保持，更是奠定企業在產業的地位，在雷射元件生產的過程中，所有的生產製程資料會被完整的記錄在電腦整合製造資訊系統(CIM System)內。這些多維度且數量龐大的資料，若要以人工方法或是傳統統計方法進行整理分析，必須耗費較多的人力及時間。
本研究以個案公司的雷射晶粒及封裝製程過往生產資料為來源，並分為兩個階段進行資料採礦，第一個階段將晶粒製程中複雜度高的機台參數資料集進行資料前處理，將資料淨化成資料探勘的格式。第二個階段，結合晶粒製程關鍵機台參數值與封裝成品良率為資料來源，以個案公司制定之良率目標，將成品依據生產批良率目標值進行分類，再使用分類技術(Classification)中的決策樹(Decision tree)、類神經網路(Multi-Layer Perceptron)、支援向量機(SVM)…等演算法進行資料探勘，評估各演算法中製程機台參數與成品良率採礦後結果，最後將分析結果提供於製程人員進行確認及評估。
本研究目標主要為找出晶粒製程關鍵及隱含的參數與雷射封裝成品良率間關係，進而提供製程人員進行產品製程基礎規範參考依據。經過本次實驗後發現，在半導體雷射製程確實能透過資料探勘的技術，挖掘出製程中有控管的關鍵參數及影響良率卻未進行控管的製程機台參數。而實驗結果中以多重分類器Boosting 的CART演算法表現最好。

摘要(英)

Yield rate, or defect-free rate, is one of many indexes to evaluate semiconductor manufacturers’ competitiveness. Manufacturers not only strive to introduce new products to the market earlier than their competitors, but also have to maintain a steady yield rate so as to ensure their competitive edge in the industry. All data related to the laser component manufacturing process is recorded in a CIM system. However, the multidimensional data is too numerous to be counted. Lots of time and manpower would be consumed if data is classified and analyzed manually or using the conventional statistic methods.
Upon receiving the laser chip-process and packaging-process data from a chosen corporation, the author started to mine data in two phases. In Phase 1, highly complicated machine parameters were obtained from the crystal particle manufacturing process for data preprocessing and thus data was converted into the data-mining format. In Phase 2, several crystal particles’ key machine parameters and packaged finished products’ yield rates were integrated into the data; the finished products were classified using the yield rate and the batch yield rate specified by the chosen corporation. After that, various classification techniques such as decision tree, neural network, and Support Vector Machine (SVM) are used to evaluate the machine parameters and to assess the results of finished products’ yield rates obtained from data-mining. Lastly, the analysis results were presented to process technicians for validation and evaluation.
The author attempted to identify the relationship between the key parameters as well as the implicit parameters related to crystal particle manufacturing process and thereby presented the basic specifications for process technicians’ reference. Most importantly, the experimental results indicate that the semiconductor laser process itself was sufficient to identify the key parameters of the manufacturing process as well as the machine parameters that affect the yield rate but they are not controlled at this moment. The results also indicate that CART, when boosted by multiple classifiers, is the most effective algorithm.

關鍵字(中)

★ 資料探勘
★ 雷射二極體
★ 製程參數
★ 良率

關鍵字(英)

★ Data mining
★ Laser Diode
★ Process parameters
★ Yield

論文目次

摘要 i
Abstract ii
誌謝 iv
目錄 v
圖目錄 vii
表目錄 ix
第一章前言 1
1.1 研究背景 1
1.2 研究動機 2
1.3 研究目的 3
1.4 研究流程 4
第二章文獻探討 6
2.1 半導體雷射製程 6
2.2 資料探勘 8
2.3 資料探勘於半導體製程的應用 11
第三章研究方法 14
3.1 研究範圍 14
3.1.1 研究個案公司介紹 14
3.1.2 資料來源及限制 14
3.1.3 資料集來源 15
3.2 研究設計 17
3.2.1 資料前處理 18
3.2.2 資料轉換 19
3.2.3 資料探勘技術 20
3.2.4 結果分析 25
第四章研究結果分析 27
4.1 原始資料集分析 27
4.1.1 單一分類器 27
4.1.1.1 產品年度彙總資料集分析 27
4.1.1.2 區分年度資料集分析 28
4.1.2 多重分類器 31
4.1.2.1 產品年度彙總資料集分析 31
4.1.2.2 區分年度資料集分析 31
4.2 特徵屬性選取分析 35
4.2.1 單一分類器 36
4.2.1.1 產品年度彙總資料集分析36
4.2.1.2 區分年度資料集分析 37
4.2.2 多重分類器 41
4.2.2.1 產品年度彙總資料集分析41
4.2.2.2 區分年度資料集分析 42
4.2.2.3 資訊增益及基因演算法共同屬性資料集分析 47
4.3 分析與討論 49
第五章結論與建議 51
5.1 研究結論與貢獻 51
5.2 研究限制 51
5.3 未來研究方向 52
參考文獻 53

參考文獻

【中文文獻】
1. 光電協進會(2014)，「台灣雷射暨雷射應用產業前景看好」，電子工
程專輯。
2. 邱季宜(2013)，「應用維度縮減與資料精簡技術建構TFT-LCD面板零
組件良率預測模式」，中正大學資管所碩士論文
3. 李來鍚、葉惠忠、戴宏仁 (2006)，「應用商業智慧於製程參數挑選
之研究」，管理科學研究，3(1)，61-73。
4. 林瑞山(2004)，「類神經網路於預測晶圓測試良率之應用」，國立成
功大學工管所碩士論文。
5. 林慧琪(2013)，「運用LED機台製程資料建立LED亮度與電壓預測模
式」，中正大學資管所碩士論文
6. 莊澤生(2002)，「利用資料探勘技術發掘議題網絡」，國立中山大學
資管所碩士論文。
7. 袁梅宇(2015)，王者歸來Weka機器學習與大數據聖經。台北：佳魁資
訊股份有限公司
8. 陳品潔(2004)，「應用資料探勘技術於半導體業製程良率改善之研
究」，國立交通大學資管所碩士論文。
9. 陳婉如(2004)，「兩岸雷射二極體產業聚落分析」，光連雙月刊，53
期，49。
10. 張百棧(2015)，「智慧型計算在大數據分析之應用」，大數據匯流
電子報。
11. 張守進、劉醇星、姬梁文(2002)，「半導體雷射」，科學發展，349
期。
12. 張秉裕、陳琨太、王振宇(2011)，「利用WAT資料建構晶圓良率預測
模型之研究」，品質學報，18(6)，521-522。
13. 彭鑫堂(2011)，「景氣循環下技術研發創新與產品良率提升策略之
研究 – 以DRAM產業為例」，國立逢甲大學經管所碩士論文。
14. 華信光電(2014) ，2014年年報、財報。
15. 葉錦清(2014)，「雷射新應用市場與商機分析」，工研院IEK產業報
告。
16. 楊正三、葉明龍、莊麗月、陳禹融、楊正宏(2008)，「利用資訊增
益與瀰集演算法於基因微陣列之特徵選取與分類問題」，資訊科技國
際期刊，2(2)，50-61。
17. 盧廷昌、王興宗(2010)，「半導體雷射技術」，五南圖書。
18. 鍾昇宏(2009)，「半導體產品的長期競爭力之評估—良率觀點」，
國立逢甲大學工管所碩士論文。
19. 簡禎富、李培瑞、彭誡湧(2003)，「半導體製程資料特徵萃取與資
料挖礦之研究」，資訊管理學報，10(1)，63-84。
20. 簡禎富(2014)，「台積電以大數據提升製造智慧」，哈佛教你精通
大數據。
21. 簡禎富、許嘉裕(2014)，資料挖礦與大數據分析 Data Mining &
Big Data Analytics。台北：前程文化事業有限公司。
22. 蘇星樺(2003)，「資料視覺化探勘輔助偵測PCB新製程之不良成
因」，元智大學工管所碩士論文。

【英文文獻】
1. Berry, M. J., & Linoff, G. S. (2006). Mastering data mining: the art and science of customer relationship management. Amazon.
2. Breiman, L., Friedman, J. H., Olshen, R., & Stone, C. (1984). Classification and regression trees (Belmont, CA: Wadsworth).
3. Breiman, L. (1996). Bagging predictors. Machine learning, 24(2), 123-140.
4. Chang, C. C., & Lin, C. J. (2011). LIBSVM: a library for support vector machines. ACM Transactions on Intelligent Systems and Technology (TIST),2(3), 27.
5. Elovici, Y., & Braha, D. (2003). A decision-theoretic approach to data mining.Systems, Man and Cybernetics, Part A: Systems and Humans, IEEE Transactions on, 33(1), 42-51.
6. Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From data mining to knowledge discovery in databases. AI magazine, 17(3), 37.
7. Freund, Y., & Schapire, R. E. (1997). A decision-theoretic generalization of on-line learning and an application to boosting. Journal of computer and system sciences, 55(1), 119-139.
8. Han, J., Kamber, M., & Pei, J. (2011). Data mining: concepts and techniques. Elsevier.
9. Hanley, J. A., & McNeil, B. J. (1982). The meaning and use of the area under a receiver operating characteristic (ROC) curve. Radiology, 143(1), 29-36.
10. Holland, J. H. (1975). Adaptation in natural and artificial systems: an introductory analysis with applications to biology, control, and artificial intelligence. U Michigan Press.
11. Hui, S. C., & Jha, G. (2000). Data mining for customer service support.Information & Management, 38(1), 1-13.
12. Japkowicz, N., & Stephen, S. (2002). The class imbalance problem: A systematic study. Intelligent data analysis, 6(5), 429-449.
13. Linoff, G. S., & Berry, M. J. (2011). Data mining techniques: for marketing, sales, and customer relationship management. John Wiley & Sons.
14. Maiman, T. H. (1960). Stimulated optical radiation in ruby.
15. Manasevit, H. M., & Simpson, W. I. (1969). The Use of Metal‐Organics in the Preparation of Semiconductor Materials I. Epitaxial Gallium‐V Compounds.Journal of the Electrochemical Society, 116(12), 1725.
16. Overton, G., Nogee, A., & Holton, C. (2014). Laser Marketplace 2014: Lasers forge 21st century innovations. Laser, 1, 01.
17. Quinlan, J. R. (1986). Induction of decision trees. Machine learning, 1(1), 81-106.
18. Quinlan, J. R. (2014). C4. 5: programs for machine learning. Elsevier.
19. Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1985). Learning internal representations by error propagation (No. ICS-8506). CALIFORNIA UNIV SAN DIEGO LA JOLLA INST FOR COGNITIVE SCIENCE.
20. Schawlow, A. L., & Townes, C. H. (1958). Infrared and optical masers. Physical Review, 112(6), 1940.
21. Simoudis, E., Han, J., & Fayyad, U. (1996). Proceedings of the second international conference on knowledge discovery & data mining (No. CONF-960830--). AAAI Press, Menlo Park, CA (United States), 82-88.
22. Vapnik, V. (2013). The nature of statistical learning theory. Springer Science & Business Media.
23. Wilson, J. H., & Keating, B. (1990). Business Forecasting, Irwin, Homewood, IL.
24. Wu, X., Kumar, V., Quinlan, J. R., Ghosh, J., Yang, Q., Motoda, H., & Zhou, Z. H. (2008). Top 10 algorithms in data mining. Knowledge and information systems, 14(1), 1-37.

指導教授

蔡志豐(Chih-fong Tsai)

審核日期

2016-6-7

推文